分享嘉賓 | 郭春超

責編 | 夢依丹

出品丨AI 科技大本營（ID：rgznai100）

現在這個時代，我們玩的游戲、看的電影、甚至未來的虛擬世界，都離不開精細逼真的三維（3D）模型。然而，制作這些 3D 內容，過去常常意味著耗時數周甚至數月的人工建模，成本高昂且效率低下。就像平面設計曾被 Photoshop 改變一樣，人工智能正在瞄準 3D 領域，試圖徹底革新數字內容的生產方式。

在這場由 AI 驅動的 3D 生成浪潮中，騰訊混元團隊推出的開源項目 Hunyuan 3D 成為了全球開發者社區的焦點。它不僅在 GitHub 上迅速積累了超過 9.6k 的 Star，躋身 3D 生成開源項目的第一梯隊，更憑借其出色的模型生成效果，贏得了“幾乎沒有變形的 Image to 3D，恐怖如斯”這樣的用戶評價。

AI 生成 3D 的能力發展到什么階段了？它離真正改變游戲、影視、數字人等行業還有多遠？ 在 4 月 18-19 日舉行的 2025 全球機器學習技術大會（ML-Summit）上，騰訊混元 3D 負責人郭春超對此進行了詳盡解讀，并在會后接受了 CSDN 專訪。

令人意外的是，盡管當前 3D AIGC 技術已取得顯著進展，郭春超卻拋出了一個引人深思的觀點：“真正的 3D AIGC 革命，還沒開始！”

為什么他會這么說？在這次干貨滿滿的對話中，郭春超分享了多個核心洞察：

• 3D 生成仍處前半程：相比成熟的文本和圖像生成，3D 生成的工業應用才剛剛起步，可用度仍有較大提升空間。

• 從“可見”到“可用”的挑戰：當前技術在生成靜態 3D 模型上已能滿足部分需求，但要融入專業的工業級 CG 管線（如自動拓撲、骨骼綁定等），還有很長的路要走。

• 數據稀缺與利用率：3D 數據獲取難度遠高于圖片，未來的突破在于如何提高現有數據的利用效率和表達能力。

• 技術路線的演進：自回歸（AR）模型正與擴散（Diffusion）模型結合，有望提升 3D 生成的可控性和記憶能力，甚至向構建具備物理規律的“世界模型”邁進。

• 開源與護城河：持續快速的模型迭代是當前最大的護城河，開源是加速技術發展和生態繁榮的關鍵催化劑。

• 對專業人士的影響：AI 不是替代 3D 設計師，而是成為強大的生產力工具，幫助他們更快地將創意變為現實。

這篇專訪將帶你深入了解 3D AIGC 領域的現狀、挑戰與未來圖景，無論你是否是技術專家，都能從中窺見這場即將到來的數字內容革命的冰山一角。

騰訊混元大模型家族：從語言模型走向全模態演進

騰訊混元大模型自 2023 年 2 月啟動研發以來，經歷了從大語言模型向多模態模型的全面演進。早期階段，混元聚焦于大語言模型方向，并于 2023 年 9 月正式發布，基于此前推出的萬億參數級 NLP 稀疏大模型構建生成式能力。

隨著多模態生成需求的快速增長，混元持續拓展模型邊界。2024 年 5 月，混元開源了業界首個中文 DIT 架構的圖像生成模型，實現了中文圖像生成領域的開源突破。同年 11 月，混元推出 3D 生成 1.0 模型，成為業內首個同時支持文生 3D 和圖生 3D 的開源大模型。緊接著在 12 月，混元文生視頻模型也加入開源行列，憑借優異的生成效果在開發者社區廣受好評。

正如騰訊混元負責人郭春超所言，混元始終堅持“多模態協同”與“持續開源”的策略布局，未來還將持續推進圖像、3D、視頻等方向的模型開源。經過兩年多的發展，騰訊混元大模型已從單一的大語言模型，成長為覆蓋文本、語音、圖像、3D、視頻等多模態能力的全面生成式 AI 基座。

從多模態到三維：打造全鏈路的 3D AIGC 引擎

騰訊混元負責人郭春超指出，3D 模型作為數字世界的重要資產，已廣泛應用于游戲、數字人、玩具、工業設計等多個領域。它具有可交互、可全景展示、高可控性等特征，但在生產端卻長期面臨成本高、周期長、數據稀缺等現實難題。

相較于圖像可由手機輕松采集，3D 數據往往依賴專業藝術家建模或昂貴的 3D 掃描設備，這使得其創作門檻高、難以大規模生產。上述建模困難正亟需 3D AIGC 技術來打破瓶頸，從根本上提升 3D 資產制作效率、降低內容生產門檻。

正如郭春超在大會上展示的對比數據為例，當前在廣告、游戲等典型 3D 應用場景中，傳統人工建模的成本與效率極不匹配：

針對這些難點，騰訊混元構建了“3D 創動引擎”架構，圍繞草圖生 3D、紋理生3D、動作融合建模和低多邊形優化，打造從稀疏輸入到高質量可用資產的完整模型矩陣：

• 草圖生 3D（Sketch-to-3D）：可通過手繪草圖快速生成三維模型，并支持通過 2D 圖像作為橋接增強泛化能力，適用于初學者、設計師等低門檻創作場景；

• 紋理換膚生成：基于已有 3D 白膜實現任意紋理映射，使一個幾何模型可支持多種形象外觀，大幅提升資產復用率，適用于數字人、虛擬角色等個性化需求場景；

• 動作融合建模：支持角色的動作生成與驅動，服務于動畫、虛擬數字人等動態內容需求；

• 低多邊形建模與布線控制：通過自研 PolyGen 技術，生成布線規整、適配工業動畫與實時渲染需求的輕量化模型，推動 3D 資產在終端設備上的落地能力。相關技術論文已于 CVPR 2025 收錄。

郭春超強調，混元的目標并非一次性“接管”整個 CG 管線，而是希望通過生成式 AI 技術逐步滲透、替代關鍵環節，哪怕最初只解決 30%-40% 的任務，也能帶來可觀的提效。這種“局部重塑+逐步演進”的路徑，正在讓 3D 大模型真正從實驗室走向產業端。

在模型能力之外，騰訊混元同步推出了 3D 創作管線工作流，為設計師提供可視化的調整界面。目前，騰訊混元的 3D 模型已獲得 ComfyUI 官方支持，用戶可在 ComfyUI 最新版本中直接調用混元能力，實現從草圖到完整 3D 模型的一鍵式生成體驗。

從 World Model 到三維世界重構：混元 3D 的應用與未來展望

從“重建一個物體”到“生成一個場景”，再到“理解一個世界”，混元 3D 的發展目標，是構建服務于智能體的三維世界模型（World Model）。 例如未來某天，用戶無需親臨盧浮宮，也能進入一個沉浸式、可編輯、可漫游的線上展館。

構建 World Model 的過程，意味著不僅要解決三維重建和多模態理解的問題，還需應對物理一致性建模、生成內容的空間語義連貫性等系統級挑戰。正如郭春超所言，單一模態難以生成復雜的 3D 場景，團隊將通過跨模態融合，先從局部實現空間合理性，再逐步擴展至更大規模、結構更完整的三維世界。

目前騰訊混元的 3D 生成技術已在多個實際場景中落地，包括人物 UGC、地圖車標、虛擬道具等創作。在騰訊地圖上，用戶可生成個性化導航車標；在游戲領域，混元也正與開發商合作，將生成能力嵌入角色、道具與場景生產流程，提升內容效率。

在開源生態方面，騰訊混元已開源多個版本的 3D 模型，最小參數僅 0.6B，支持在本地運行。目前 GitHub Star 數超 1.2 萬，Hugging Face 下載量超 100 萬。團隊還計劃在年內開放更多模型與數據集，降低行業門檻，推動能力普及。

郭春超表示，到 2025 年底，他們希望實現物體級生成接近人工建模水平，場景類生成具備初步雛形。他指出，3D 屬于視覺生成分支，未來也將吸收大語言模型的演進經驗，逐步走向原生多模態的統一架構。他認為，包括 AR 與 diffusion 結合的方向，將在視覺生成領域迎來更多突破。

演講結束后，為了更深入地了解騰訊混元在 3D 生成領域的實踐與思考，CSDN對騰訊混元 3D 大模型負責人郭春超先生進行了現場專訪，圍繞 3D 生成的技術現狀、應用前景以及行業發展趨勢等話題展開了深入探討。

CSDN：感謝郭老師接受我們的采訪，除了作為分享嘉賓，今天在會場有聽到哪些你特別感興趣的演講和分享嗎？

郭春超：我在來之前聽了階躍段楠老師的分享。今天我對視覺類的生成，還有多模態類的生成非常感興趣。剛才也在聽，感覺收獲非常大。感覺視覺生成還處于一個繼續向上爬坡的階段。應該在 25 年會有一個更大的進展。

CSDN： 今天整個 B 會場都是關于多模態視覺生成的內容。我們進入第一個話題：3D 生成現在進行到什么狀態？

郭春超：在這一波生成式 AI 大模型的浪潮中，語言模態無疑是起步最早、發展最成熟的。大眾真正開始接觸這類技術，大多是從 ChatGPT 開始的，也正是以大語言模型為代表的技術最先實現了較高的可用性。

相比之下，3D 生成算是一個相對年輕的方向。學術界大約在 2022 年 9 月左右，才開始出現像 DreamFusion 這樣的早期工作。2023 這一年，學術界的研究熱度迅速上升，而真正進入工業界的落地探索，基本是在 2024 年才開始。如果從工業界大規模投入的時間來看，到現在也只有一年出頭。

所以整體來看，3D 生成目前仍處在發展的早期階段。如果我們把當前大語言模型的任務處理可用度視作 90%，那么 3D 生成這個模態可能還處于 50% 甚至更低的水平。但它的發展速度非常快，整個領域正在迅速爬坡中。

CSDN： 現在 3D 生成跟早期 AI 生成一樣，有一種開盲盒的感覺。像今天的GPT-4o，還有后面 Gemini 3 出來之后，它生成的內容，雖然圖像生成已經進化到多模態階段了，還是要試很多次，反復試錯才能得到滿意的圖片。在 3D 生成方面，用戶想要精準控制，但有時也想要 AI 帶來意外驚喜，偶爾生成一個高質量的 3D 模型。你們是怎么平衡生成結果的可控性和隨機性的？

郭春超：對于可控性而言，有很多種途徑，例如把 2D 的結果和 3D 相結合。我們在做文本生成 3D 的時候，可控性相對會弱一些，因為普通用戶很難描述得詳細、專業。此外它也考驗模型的理解能力，也就是指令跟隨的能力。對于圖像生成 3D，它的跟隨度和可控性會更高一些。

對于專業人士，他用圖片生成 3D 的情況會更多。普通的小白或者只是過來體驗一下，大家可能用的文本生成多一些。文本生成的多樣性和驚喜會更多一些。圖像生成更多的是要求跟原圖的指令遵循度，也就是圖像作為 Prompt 輸入時，要有更高的還原度。

專業人士可能圖像生成 3D 更適合。除了單圖生成，我們在可控性方面也做了多圖生成。例如很多設計師會自己先有三視圖，基于三視圖再去生成三維資產，可控性會得到進一步提升。

CSDN： 對于比較專業的用戶，包括我看網友評論，他們在體驗 3D 生成模型過程中，模型生成出來只是第一步，他們更關心 AI 如何融入現有的工作流程，比如現有管線。未來有沒有可能實現更深度的融合，比如現在已有 3D 編輯功能，想要進一步深入到流程自動化，例如 AI 可以輔助拓撲或展 UV，實現這個的瓶頸在哪？

郭春超：這個問題比較專業了。三維資產可以理解為兩大類用途：

• 靜態資產，比如 3D 打印、擺放類場景。生成后可以直接用，不會考慮很強的布線、拓撲以及下游的骨骼綁定、蒙皮、驅動等動畫需求。對這類靜態資產，目前 3D 生成的可用度比較高。

• 動態/專業資產，對 CG 管線要求更高。圍繞整個 CG 管線，我們也做了很多 AI 模型。比如主持人剛問的拓撲生成，我們就發布了一個基于自回歸架構的拓撲大模型（CVPR 2025 論文）。后續的骨骼綁定、驅動等動畫環節，也都有對應的 AI 技術在研發。

所以，從“可見”到“可用”，雖然還不像大語言模型那么成熟，但我們已經解決了一部分 CG 管線問題，后續的 AI 化濃度會越來越高。

CSDN： 所以現在想要落地到工業級生產，還是有很長一段路。比如一說到 3D 生成，我們可能就想到游戲或電影，今年比較典型的就是《黑神話：悟空》，這種非常精細的建模，可能距離完全靠 AI 難以實現。但對于完全沒有 3D 基礎的用戶，比如只想給自己社交媒體做個 3D 頭像，或者做個簡單 AR 濾鏡，現在的體驗是否足夠傻瓜化？它最大的障礙是什么呢？

郭春超：在海外，3D 用戶群體是很大的，國內正處于一個普及階段。對于普通用戶而言，現在的 3D AI 能力很大程度上能滿足需求。大家有時會做一個虛擬個人形象、虛擬手辦或虛擬寵物等等。對于這類靜態資產的生成，它的成熟度在很多場合能滿足。

更大的挑戰在于對于專業人士，如設計師、建模師、動畫師，或者用在影視級、 3A 大作里面，挑戰比較大。你可以認為目前的發展階段，對于普通用戶而言，很多場合已經能滿足，我們正在努力解決的是專業場景下需要解決的問題，因為那一部分背后有非常大的工業價值、商業價值。

CSDN： 3D 生成可以應用的場景很多，除了游戲娛樂，還有自動駕駛、元宇宙、具身智能都可以用到。混元有沒有設想過未來美術的成本結構會有什么樣的改變？通過 AI 融入進來，比如像游戲，不同類型的游戲（休閑游戲或3A寫實大作），AI 生成的 3D 資產可用性會有什么差異？

郭春超：差異非常大。一個 3D 資產的市場價差從幾百到幾萬不等，取決于精細程度和 CG 管線復雜度。

• 輕量小游戲：AI 最先滿足道具、基礎角色等需求，已“踮腳可及”。

• 腰部游戲：AI 可做道具輔助生成。

• 大制作：角色、場景地圖等資產需要多輪原型迭代，AI 在原型階段能極大提升效率、節省成本。

CSDN： 我覺得現在對獨立游戲是很幸運的時代，美術素材更好做了。像混元是一個開放體驗的引擎。想問一下混元在 3D AIGC 領域的商業模式打算怎么做？一直做開源嗎？還是提供工具服務平臺授權？或者未來會結合騰訊的生態？當年元寶的發布會，最深的感覺是它把騰訊的全生態接起來了，很厲害。混元 3D 會朝這種方向發展嗎？

郭春超：我們會多條腿走路這樣布局。首先作為騰訊的官方大模型團隊，它要服務公司內的很多需求，因為騰訊是一個業務非常廣泛的互聯網公司，公司內的很多需求混元要去比較好地支持。此外，我們作為一個基礎大模型的研發團隊，也要積極回饋社區。

整個混元的各個模態，我們一直在持續開源。開源和商業價值之間并不是矛盾，而是互相促進。舉個例子，我們開源了 3D 生成模型之后（目前已開源兩代模型），開源完第二代之后，效果非常好。業界社區給我們反饋很多問題，甚至有人去部署發現了一些待解決的問題，以前我們自己都沒發現。在社區里，這些問題反饋回來到我們這里，會成為我們的研發點。業界會搭建很多工作流、做很多配套插件，這些插件有時我們自己做研發時也會復用。開源對于商業價值是賦能的，它既促進了我們的提升，同時也幫著把生態建設得更加完善。我覺得開源和商業之間是相互促進的作用。

CSDN： 3D AIGC 是比較新的領域。您認為對比相對成熟的文本和 2D 圖像生成領域，開源在早期對 3D AIGC 發展更重要，還是技術更成熟后開源更好？

郭春超：開源肯定是持續性的。像現在大家接觸到最成熟的模態是文本，其次是圖像。但是，這些都是站在前人肩膀上一步步發展起來的。如果沒人先去做社區開源以及把社區繁榮起來，后面就比較難再發展壯大。每一個基建、每一個配套都要自己從零去搭，社區就基本不太可能繁榮起來。所以可以看到，越是成熟度高的領域，開源模型反而越多。

大家可以看到文本和圖像的開源模型是非常多的。視頻類目前也有這個趨勢，前兩年視頻生成還不太成熟，但前兩年陸陸續續學術界、工業界都有一些視頻生成模型在開源。我覺得開源是這個領域能夠繁榮的很重要的催化劑，不是要等到非常成熟才開源。相反，如果前面沒有開源，有一家突然做出來非常成熟的，很可能會選擇閉源，直接走商業化路線。

CSDN： 這會遇到一個跟前幾個領域殊途同歸的問題：數據怎么來？開源項目通常如何解決數據來源問題？尤其是 3D 比較特殊，像以前有 LAION 做圖像數據集，還有 AlexNet，都是社區驅動的數據貢獻。但在 3D 領域，懂的人相對少一點，這是否可行？

郭春超：3D 最開始是在愛好者和設計師群體，或是游戲、動漫等行業的從業者這里需要用到。3D 資產，它不能通過攝像頭（像我們用的手機）直接拍出來，更多需要藝術家手工建模。可以理解為它是一個勞動的結晶，不像圖片拍一張就唾手可得。3D 是一個復雜勞動的結晶，所以必然存在數據量相對比較稀缺、比較少的問題。目前工業界往往可用的在千萬量級。3D 資產，對于圖片這個領域往往可以達到百億級別以上。大家可以看到有三個數量級的差異。

但雖然數據稀缺，可以從兩方面去進一步做探索。一方面是如何提高數據利用率。現在絕大多數的 3D 模型，還有 3D 的表達方式（3D的encoding方式），并沒有把 3D 數據發揮到極致。哪怕只有幾百萬模型，只要數據用得好，也能訓練出很好的模型。但目前三維數據的表達、模型對數據的利用率都還沒做到很好，這是可以探索的第一條路。

第二條可以探索的路是提升現在模型的復用率。舉個例子，現在模型很多時候大家是把它整體拿過去，但對于3D模型而言，它就像我們演播間一樣。三維的東西都是可拆卸的，例如這個桌子可以搬走。如果把這些元素都能充分用起來，例如充分拆解、組合，數據又會大好幾個量級。這是可以探索的第二條路。

CSDN： 開源相關的話題會延伸到當前很多公司都在討論的一個問題：它的護城河在哪？特別是對于 3D 生成，你剛才說它比較早，有沒有思考過未來護城河會在哪？

郭春超：開源模型既是對社區的回饋，也是對每個技術研發團隊的一種鞭策。業界有了一個開源模型，它會成為業界的一個標尺。大家站在這個標尺之上，一定會更進一步，而不是往回退。這種一代代的更新，必然會促使這個領域、也促使自己團隊往前走得更快。大家可以看到硅谷的很多開源，或是他們自己模型的發布，例如谷歌發了一個，OpenAI 就會繼續加快研發節奏，很快也會再發一個版本。再后面可能Meta也會再發新版本。整個AI大模型領域都是你追我趕的狀態。有開源放出來，就是在加速技術的發展，讓這種你追我趕的狀態速度更快一些。

至于護城河，我覺得在現階段對各模態而言，只有持續迭代模型，讓模型進化速度更快，這才是真正的護城河。

CSDN： 現階段可能是共識。您覺得開源模型會成為 3D AIGC 的主流嗎？（因為開源方面，感覺騰訊更新比較勤，只了解騰訊）。還是會像文本模型一樣，與高質量的閉源模型長期并存？

郭春超：很可能是并存的方式，這在各模態目前都是這樣。今年肯定會是 3D AIGC 發展很快的一年，很可能接近可用性的臨界點。目前我們內部已經在用了。只不過，大家可能看到對于專業人士而言，從專業人士的評價來看，它的可用度還不夠。但它其實是一個農村包圍城市的路線，逐步滲透。在很多需要用 3D 的領域，實際上已經用起了我們的 API 或開源模型。

我們也在像爬山一樣，往更高的半山腰甚至山頂去爬。在這個過程中，一定是一個技術和業務雙向匹配、雙向驅動的階段。開源模型或閉源模型，只要能讓3D領域繼續往山頂爬，我覺得對整個行業都是有利的。

CSDN： 剛剛在講的過程中提到騰訊最新拓撲大模型用的是自回歸架構。我覺得今年特別驚喜的一件事，特別是在多模態領域，大家發現自回歸模型居然也能做圖像，甚至可能做 3D。以前有個刻板印象：語言是離散的，token 是離散的，適合用自回歸；圖像是連續的，適合用擴散模型生成。在生成式 AI 發展早期，很多研究者覺得這是刻板印象。最近 GPT-4o 出來，它在圖像生成上的進步，比如對文字渲染能力（英文基本達到完美，中文也在跟上）的提升很顯著。未來您怎么看擴散 VS 自回歸？這個技術路線在 3D 生成上的根本差異和未來潛力是什么？是否存在一個最優架構，還是會像現在這樣并存？

郭春超：實際上各模態之間技術可以借鑒。自回歸模型在語言模型上用得最早。語言模型也是所有模態里在生成式 AI 中起步最早的，它踩了最多的坑，也取得了現在最高的成熟可用度。

對于視覺類生成，后面自回歸（Autoregressive, AR模型）在里面扮演的比重會越來越大。對于視覺，目前一個比較大的趨勢會把 AR 和 Diffusion 做結合使用，會有更高的可控性、更好的記憶能力。因為大語言模型這種架構天然具備較好的記憶窗口。通往 AGI 的路上，像人類一樣，記憶是做推理的基礎，是能夠具備智能的基礎。所以，視覺模型如果想變得更智能，離不開非常強的記憶能力。否則如果只是硬去擬合數據分布，對數據的需求量是無窮的，且對數據的利用率比較低。因此我個人非常看好自回歸（AR模型）和 Diffusion 相結合，甚至 AR 起到大腦的作用。

CSDN： 現在形容文本模型有個很典型的用戶體驗：如果 AI 生成結果不是我想要的，我就會像甲方一樣一直提需求，一直問，直到得到想要的結果。這是推理模型出來后特有的用戶體驗。如果多模態模型（圖像和3D模型）引入自回歸模型后，就會有多模態推理。這方面怎么發展？未來是不是也可以像甲方一直提需求？就像今年《哪吒2》電影花絮里，一群特效師在那摳特別久的細節快瘋掉了。未來是不是瘋掉的變成 AI？我們一直提需求，讓它一直改 3D 模型，實現精細化？

郭春超：這種產品和技術肯定會出現。因為您剛才提到的實際上就是大語言模型的多輪對話，這也是為什么大家這么強調其記憶能力的原因，只有在多輪磨合中才能一步步達到人真正想要的結果。在大語言模型里實際已經走通這條路，對于其他模態而言，走這樣的路線也是必經之路。只有這樣才能解決您最開始問的問題：怎么樣提升抽卡成功率？怎么樣讓結果更符合我的需求？實際上就是要在一輪輪描述中，把我想要的保留，把不想要的部分修改掉。這類技術一定會成為各個廠商努力研發的點。

CSDN： 這也很讓人好奇一點，它對現有技術棧的影響會怎么樣？未來如果真的走向 AR 主導（自回歸主導），對我們目前大部分公司基于 Diffusion 積累的技術、工具鏈還有經驗意味著什么？是需要徹底革新，還是可以在現有技術上平滑過渡？

郭春超：實際上對于算法模型團隊而言，我覺得相對還好。更多是借鑒 LM 踩過的坑，然后把這兩類技術做結合。但是對于一些硬件廠商而言，可能影響會大一些，因為它配套的生態、配套的庫，就需要做很大的改變，因為上層模型其實轉身比較快。越往基層、越往 Infra 層級走，轉身會越慢一些。我覺得這類技術一直在快速變革，對于最上層的模型團隊而言，相對成本反而沒那么高。可能對于 Infra 這一層，挑戰會更大一些。

CSDN： 主要是對基礎設施的挑戰。具體來說，通常認為 Diffusion 采樣比較慢，AR 訓練比較難（長期練一代）。在 3D 生成這個復雜任務上，這兩種路線在訓練和推理的成本效率各自表現如何？未來哪種路線可能會在效率上取得突破？

郭春超：目前看，在推理速度上肯定是 Diffusion 更快，因為它相當于一次就生成了。而自回歸路線是要一個一個 token 去生成。面片數多的話，時耗肯定會比較長。這類也是需要業界繼續突破的點。至少如果對速度要求比較高，目前還會是 Diffusion 占據最主要的應用范式。

王啟隆： 未來我們想做，比如 3D 生成有很多應用場景，甚至包括具身智能、世界模型。您看到 AR 在哪方面潛力，它與大語言模型、世界模型的結合更有前景？要實現這一轉變需要哪些關鍵技術突破？

郭春超：實際上現在多模態模型，最開始是基于文本和語音，統一這樣一維信號。目前已經能把圖像結合得非常好，就像這次 GPT-4o 出來，把生圖從原來的“可以看”提升到“高可控地使用”。這是一個非常大的里程碑，相當于把二維信號也統一進來了。再往后，視頻可以理解為像 2.5 維。3D 可能是三維。我們真實世界，就像您提到的世界模型，到真實世界可能是 4D，因為它既有空間又有時間。

所以，多模態模型其實也像爬山一樣，爬到半山腰的狀態。接下來一定是各模態分別在各領域有貢獻，最終形成多模態各模態的融合合力，才能達到我們預期的世界模型的智能。因為世界模型目前還沒有非常嚴格的統一定義。但它最終很可能是需要各模態都達到非常高的可用度，才能做成完全符合世界規律并具備智能的世界模型。現在雖然各家都在提世界模型，但其實都處于比較早期階段，可能能在局部做到符合規律，但要做到完全智能，可能還有比較長的路要走。

CSDN： 要生成符合物理規律、時空連續的 3D 場景交互，AI 就需要具備對物理世界的理解。目前 AI 在這方面的能力如何？這也是具身智能前沿領域的一個思考：AI 要怎么實現對物理世界的理解？是通過學習大量數據模擬出來，還是通過底層研究？比如楊立昆喜歡提，通過大模型那條路行不通，要通過 JPA。

郭春超：關于這個，其實業界還沒有特別強的共識。現在業界也有挺多世界模型的 paper，或有一些創業公司在研究世界模型。目前在我看來，更多現階段世界模型的概念是：先能在局部、部分場合做到符合世界物理規律，就已是一個比較大的進步。它就像生成式 AI 最開始發展時，大家會認為它比較傻瓜，有時甚至會答錯簡單的算術題，或者容易被誤導。它非常不成熟。但是可以看到經過各方面努力、整個產業協同投入，它的成熟度獲得了非常大的提升。

類比于大語言模型的發展，其實世界模型也是類似的。很可能自動駕駛會做一個，純視頻模型也會做一個，再后來可能語言模型推理也會有一個。慢慢地各模態都是百花齊放的狀態，最后大家站在前人肩膀上，把各模態統一，也許在某一個垂類場合，它就突然可用了，這類場合可用再復制到其他。例如現在很多提的自動駕駛領域，他們做的世界模型，很多時候也是基于文本推理、視頻生成，再結合 3D 物體的生成與擺放等。我覺得世界模型的發展，一定也是農村包圍城市、逐步滲透的過程。它會先做局部可用，先做部分行業垂域可用的狀態。

CSDN： 能不能做一個總結：您認為制約 3D 生成效果和成熟度的關鍵因素，除了數據量不足，還有哪些技術難點等待突破？

郭春超：數據量是一個點，但可能并非最主要理由。因為即使只有幾百萬數據，前面說到，只要提升信息密度也能訓出比較好的模型。我覺得現在一個很大的問題是：對于 3D 模型、3D 資產，如何提升利用率、提升密度？這一點做得還不夠好。也就是說，能不能有更 Compact 的 3D 表達？能不能讓模型訓練更有效率？能不能基于大語言模型或圖像生成的范式，真正無損地遷移到 3D 生成上？我覺得這些點，相比較數據而言，都更有可能在短期被解決。

CSDN： 請您建議一下未來開發者關注的內容。另外我很好奇一點：做 3D 生成、3D AIGC 算法工程師，是不是本身要對 3D 建模有了解，或有過 3D 業界工作經驗？

郭春超：實際上原來的 3D 屬于傳統圖形學領域，的確對 3D 類有比較多的技術棧要求。但隨著生成式 AI 大模型興起，反而對傳統圖形學要求在降低，對生成式 AI 模型的要求在提升，可以認為是東升西降的狀態。所以，倒不一定要求有非常多的 3D 建模經驗，但要求對生成式 AI 非常熟悉。可以把它理解為計算機圖形學和計算機視覺的交叉學科。

CSDN： 最后請您建議：對于開發者來說，您有哪些建議？以及現在需要具備哪些核心知識儲備和核心能力？

郭春超：如果是一些像咱們 CSDN 很多用戶，是前端、后臺這種開發的程序猿，對于這類開發者而言，我覺得例如他是一個獨立的游戲開發者，熟練使用這些 API 能用就可以了，更多還是專注于自身業務。但如果他是做這方面 research 的，例如在讀的博士生等，他需要多去 follow 業界前沿的 paper。因為這個領域在學術界目前非常火。他們如果想進一步發表更優質的 paper，做出業界更有影響力的工作，一定需要持續 follow 業界的 SOTA 進展。因此對于研究者，還是對于產業從業者，需要關注的點是不一樣的。

CSDN： 從文生圖到文生視頻再到 3D 生成，AIGC 在不斷降低內容創作門檻。漸漸會有一種哲學上的思考，也是對我們CSDN“人人都是開發者”的一個叩問：未來普通人進行 3D 內容創作可能會像今天用美圖秀秀 P 圖一樣簡單。那這對專業 3D 設計師意味著什么？第二，真的需要每個人都是開發者，人人都是 3D 生成的開發者嗎？

郭春超：實際上，剛才主持人問對 3D 從業者什么影響？大家可以類比 2D 生圖。即使現在無論是 Midjourney、混元生圖還是一些其他的（如剛才提到的GPT-4o）生圖接口，業界可用的已經非常多了。但是，平面設計師也沒有被替代掉，仍然很多。更多是大家把它作為一個生產力工具。對于 3D 而言也是這樣，它能幫助大家更快把創意落地呈現。有了 AI 工具，別的設計師用了，你沒有用，生產效率可能就會差十倍。

所以大家可能更多地把它理解為：3D 設計師或 2D 平面設計師，更多是轉型為最擅長用 AI，并能結合自身業務、自身 idea 的復合型人才。我覺得這可能是對設計師的影響。就像開車一樣，以前都是開火車，到后來有汽車，再到后來有自動擋，再到后來有智能電動汽車，其實大家也都是在不斷學習。那對于設計師而言，我覺得用好 AI，絕對對他們有助力的。

CSDN：非常感謝騰訊混元3D大模型負責人郭春超老師的精彩對話。

2025 全球機器學習技術大會上海站已圓滿結束， 本次大會圍繞 AI 最前沿的發展趨勢與落地實踐，聚焦大語言模型技術演進、AI 智能體、具身智能、DeepSeek 技術解析與行業實踐等 12 大專題，邀請了超 60 位來自全球頂尖科技企業與學術機構的重磅嘉賓齊聚一堂，全面呈現 AI 領域的技術風向與應用前沿。

掃碼下方二維碼免費領取「2025 全球機器學習技術大會上海站」大會 PPT。